Funk-lab/stt/server/stt_server/app.py
alkatrazz 917ffcfc32 fix(stt-server): retry brain + timeout par tentative + log timing effectif
Suite au déploiement 0.2.0, deux points observés en pilotant l'app en direct :

- Le log de timing (`ask … recall/gen/total`) n'émettait pas : uvicorn ne
  configure que ses propres loggers → on attache un handler INFO sur `stt_server`.
- La chaîne LiteLLM→llama-server (ROCm gfx1031) se fige par à-coups (~1-2 min,
  502 pour tous les appels, cf. incidents-llm-gpu.md). Résilience côté STT :
  brain tente 2× (fermeture du client httpx entre les essais → connexion neuve si
  le pool est vicié) et le timeout passe à 30s PAR tentative (≤ ~2× au pire).
  Un blip transitoire devient une requête récupérée au lieu d'un 502.

bump serveur 0.2.0 → 0.2.1

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
2026-06-19 15:46:03 +02:00

129 lines
4.1 KiB
Python

"""STT-server — API FastAPI pour les clients STT.
Endpoints :
GET /healthz → état du service
POST /v1/ask {text}{reply} (requête AI, orchestrée vers LiteLLM)
"""
from __future__ import annotations
import logging
import time
from contextlib import asynccontextmanager
import httpx
from fastapi import BackgroundTasks, FastAPI, HTTPException
from pydantic import BaseModel
from stt_server import __version__
from stt_server import brain
from stt_server.brain import ask as brain_ask
from stt_server.config import settings
from stt_server.longterm import LongTermMemory
from stt_server.memory import SessionStore
log = logging.getLogger("stt_server")
# uvicorn ne configure que ses propres loggers : on attache notre handler en INFO
# pour que les lignes de timing (`ask … recall/gen/total`) sortent dans les logs du pod.
if not log.handlers:
log.setLevel(logging.INFO)
_h = logging.StreamHandler()
_h.setFormatter(logging.Formatter("%(levelname)s: %(name)s: %(message)s"))
log.addHandler(_h)
log.propagate = False
sessions = SessionStore()
longterm = LongTermMemory() if settings.memory_longterm else None
@asynccontextmanager
async def lifespan(app: FastAPI):
yield
# Fermeture propre des clients HTTP persistants (pooling).
await brain.aclose()
if longterm:
await longterm.aclose()
app = FastAPI(title="STT-server", version=__version__, lifespan=lifespan)
class AskRequest(BaseModel):
text: str
model: str | None = None # alias LiteLLM ; défaut serveur si absent
session_id: str | None = None # mémoire court-terme : fil de conversation
class AskReply(BaseModel):
reply: str
model: str
@app.get("/healthz")
async def healthz() -> dict:
return {"status": "ok", "version": __version__}
@app.get("/v1/models")
async def v1_models() -> dict:
return {"default": settings.model, "available": settings.allowed_models}
@app.get("/v1/memory/health")
async def v1_memory_health() -> dict:
"""État de la mémoire long-terme (embeddings + Qdrant + collection), erreurs exposées."""
if not longterm:
return {"enabled": False}
return await longterm.health()
@app.post("/v1/reset")
async def v1_reset(req: AskRequest) -> dict:
if req.session_id:
sessions.reset(req.session_id)
return {"status": "reset"}
@app.post("/v1/ask", response_model=AskReply)
async def v1_ask(req: AskRequest, background: BackgroundTasks) -> AskReply:
text = req.text.strip()
if not text:
raise HTTPException(status_code=400, detail="text vide")
model = req.model or settings.model
if model not in settings.allowed_models:
raise HTTPException(
status_code=400,
detail=f"modèle '{model}' non autorisé ; dispo : {settings.allowed_models}",
)
t0 = time.perf_counter()
history = sessions.history(req.session_id) if req.session_id else None
# recall : timeout serré, dégrade vite ; renvoie aussi le vecteur (réutilisé par store)
memories, qvec = await longterm.recall(text) if longterm else ([], None)
t_recall = time.perf_counter()
try:
reply = await brain_ask(text, model, history, memories)
except httpx.HTTPError as e:
raise HTTPException(status_code=502, detail=f"upstream LiteLLM : {e}") from e
t_gen = time.perf_counter()
if req.session_id:
sessions.add(req.session_id, "user", text)
sessions.add(req.session_id, "assistant", reply)
# store : APRÈS la réponse (BackgroundTasks) → hors latence perçue, et on réutilise qvec
if longterm:
background.add_task(longterm.store, req.session_id or "anon", text, qvec)
log.info(
"ask model=%s recall=%.0fms gen=%.0fms total=%.0fms mem=%d",
model,
(t_recall - t0) * 1000,
(t_gen - t_recall) * 1000,
(t_gen - t0) * 1000,
len(memories),
)
return AskReply(reply=reply, model=model)
def run() -> None:
"""Entrypoint `stt-server` (dev local). En prod : uvicorn via le conteneur."""
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8000) # noqa: S104 — service interne au cluster